CN110728660A - 基于缺血性脑卒中mri检测标记进行病灶分割的方法及装置 - Google Patents

Abstract

本发明公开了一种基于缺血性脑卒中MRI检测标记进行病灶分割的方法及装置，其中，方法包括：对核磁共振成像图像进行超像素分割生成多个超像素，选取亮度值大于预设亮度值的超像素组成候选超像素集合，进一步生成预设亮度值对应的候选mask图，改变预设亮度值，生成不同亮度值对应的候选mask图；通过训练集样本训练深度卷积神经网络生成候选mask判别网络，通过判别网络对多个候选mask图进行评分，选取评分最高的候选mask图；通过评分最高的候选mask图对图像分割网络进行训练。该方法利用核磁共振DWI序列中缺血性脑卒中区域的图像特点，仅使用对缺血性脑卒中区域进行边界框标记的训练数据集，对病灶区域进行细致分割。

Description

基于缺血性脑卒中MRI检测标记进行病灶分割的方法及装置

技术领域

本发明涉及图像检测技术领域，特别涉及一种基于缺血性脑卒中MRI检测标记进行病灶分割的方法及装置。

背景技术

随着医疗技术的发展，CT、MRI等医疗影像技术在诸如脑卒中、肿瘤、脑动脉瘤等疾病的医学诊断中发挥着越来越重要的作用。但是在传统医疗系统中，需要由专家对医学影像进行分析与解读。面对大量患者的医学影像，这一方面加重了医疗系统的负担，对患者来说也增加了就诊的时间及成本。使用人工智能技术对医学影像进行自动处理与诊断，不但可以大大提高诊断效率并降低成本，同时可以与专家诊断相结合，从而提高诊断的准确率。

脑卒中是由于脑内血管破裂或阻塞从而导致血液无法流入大脑进而引起脑组织损伤的一类疾病，分为缺血性脑卒中和出血性脑卒中。脑卒中是我国主要死亡原因之一，具有发病率高、死亡率高、致残率高等特点，是一类非常严重的疾病。核磁共振成像(MagneticResonance Imaging，MRI)是脑卒中的重要诊断方法之一，专家可以通过病人脑部MRI图像对病灶区域进行较为有效的检测。但是，由于脑卒中病灶区域的大小、形状等各异，对较小的、不明显的病灶区域的诊断还不够精确。同时，人工诊断还有耗时长，成本高等问题。

近年来，随着深度学习的快速发展，以深度卷积神经网络为代表的深度学习数在图像处理领域诸如图像分类、物体检测及分割等问题中已经有了较好的表现，在医学图像处理领域也有了更多的应用。在一般图像分割任务中，需要大量已对目标进行分割标注的训练样本，而对图像进行细致的分割标注是一项繁重耗时的工作。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于缺血性脑卒中MRI检测标记进行病灶分割的方法，该方法可以仅使用对核磁共振图像中缺血性脑卒中区域进行边界框标注的数据集，实现对病灶区域进行细致分割。

本发明的另一个目的在于提出一种基于缺血性脑卒中MRI检测标记进行病灶分割的装置

为达到上述目的，本发明一方面实施例提出了一种基于缺血性脑卒中MRI检测标记进行病灶分割的方法，包括：

S1，获取核磁共振成像图像、训练集样本和待测核磁共振成像图像，通过简单线性迭代聚类方法对所述核磁共振成像图像进行超像素分割生成多个超像素；

S2，对所述多个超像素进行筛选生成超像素集合，在所述超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据所述超像素集合和所述候选超像素集合生成所述预设亮度值对应的候选mask图；

S3，改变所述预设亮度值，执行步骤S2，生成不同亮度值对应的候选mask图；

S4，通过所述训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，将不同亮度值对应的候选mask图用边界框包裹，通过所述候选mask判别网络对边界框包裹的不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图；

S5，通过评分最高的候选mask图对图像分割网络进行训练直至所述图像分割网络收敛，将所述待测核磁共振成像图像中的DWI序列图像输入训练后的图像分割网络，输出缺血性脑卒中病灶区域的mask图。

本发明实施例的基于缺血性脑卒中MRI检测标记进行病灶分割的方法，通过对核磁共振成像图像进行超像素分割生成多个超像素，筛选生成超像素集合，在超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据超像素集合和候选超像素集合生成预设亮度值对应的候选mask图，改变预设亮度值，生成不同亮度值对应的候选mask图；通过训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，通过候选mask判别网络对不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图；通过评分最高的候选mask图对图像分割网络进行训练直至图像分割网络收敛。由此，利用核磁共振DWI序列中缺血性脑卒中区域的图像特点，仅使用对缺血性脑卒中区域进行边界框标记的训练数据集，对病灶区域进行细致分割。

另外，根据本发明上述实施例的基于缺血性脑卒中MRI检测标记进行病灶分割的方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述训练集样本包括正样本和负样本，病灶区域正确边界框为所述正样本，包含部分病灶区域、完全不包含病灶区域以及包含多余非病灶区域的边界框作为所述负样本。

进一步地，在本发明的一个实施例中，所述对所述多个超像素进行筛选生成超像素集合，包括：

对于一个病灶边界框，在所述多个超像素中选取所有完全在边界框内和\或部分在边界框内的超像素作为所述超像素集合。

进一步地，在本发明的一个实施例中，所述步骤S2，进一步包括：

在所述超像素集合中选取平均亮度值大于预设亮度值的超像素组成所述候选超像素集合；

将所述候选超像素集合中任意两个超像素间最短路上的超像素加入所述候选超像素集合；

将被所述候选超像素集合包围的所有超像素加入所述候选超像素集合；

将增加超像素后的候选超像素集合作为所述预设亮度值对应的候选mask图。

进一步地，在本发明的一个实施例中，还包括：

对所述待测核磁共振成像图像中的病灶区域进行正确边界框标记，将标记后的所述待测核磁共振成像图像与所述训练后的图像分割网络输出的缺血性脑卒中病灶区域的mask图进行对比，根据对比结果对所述图像分割网络进行调整。

为达到上述目的，本发明另一方面实施例提出了一种基于缺血性脑卒中MRI检测标记进行病灶分割的装置，包括：

获取模块，用于获取核磁共振成像图像、训练集样本和待测核磁共振成像图像，通过简单线性迭代聚类方法对所述核磁共振成像图像进行超像素分割生成多个超像素；

生成模块，用于对所述多个超像素进行筛选生成超像素集合，在所述超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据所述超像素集合和所述候选超像素集合生成所述预设亮度值对应的候选mask图；

迭代生成模块，用于改变所述预设亮度的值，执行所述生成模块的功能，生成不同亮度值对应的候选mask图；

评分模块，用于通过所述训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，将不同亮度值对应的候选mask图用边界框包裹，通过所述候选mask判别网络对边界框包裹的不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图；

分割模块，用于通过评分最高的候选mask图对图像分割网络进行训练直至所述图像分割网络收敛，将所述待测核磁共振成像图像中的DWI序列图像输入训练后的图像分割网络，输出缺血性脑卒中病灶区域的mask图以进行病灶分割。

本发明实施例的基于缺血性脑卒中MRI检测标记进行病灶分割的装置，通过对核磁共振成像图像进行超像素分割生成多个超像素，筛选生成超像素集合，在超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据超像素集合和候选超像素集合生成预设亮度值对应的候选mask图，改变预设亮度值，生成不同亮度值对应的候选mask图；通过训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，通过候选mask判别网络对不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图；通过评分最高的候选mask图对图像分割网络进行训练直至图像分割网络收敛。由此，利用核磁共振DWI序列中缺血性脑卒中区域的图像特点，仅使用对缺血性脑卒中区域进行边界框标记的训练数据集，对病灶区域进行细致分割。

另外，根据本发明上述实施例的基于缺血性脑卒中MRI检测标记进行病灶分割的装置以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述训练集样本包括正样本和负样本，病灶区域正确边界框为所述正样本，包含部分病灶区域、完全不包含病灶区域以及包含多余非病灶区域的边界框作为所述负样本。

进一步地，在本发明的一个实施例中，所述对所述多个超像素进行筛选生成超像素集合，包括：

对于一个病灶边界框，在所述多个超像素中选取所有完全在边界框内和\或部分在边界框内的超像素作为所述超像素集合。

进一步地，在本发明的一个实施例中，所述生成模块，进一步用于：

在所述超像素集合中选取平均亮度值大于预设亮度值的超像素组成所述候选超像素集合；

将所述候选超像素集合中任意两个超像素间最短路上的超像素加入所述候选超像素集合；

将所有被所述候选超像素集合包围的超像素加入所述候选超像素集合；

将增加超像素后的候选超像素集合作为所述预设亮度值对应的候选mask图。

进一步地，在本发明的一个实施例中，还包括：调整模块，

所述调整模块，用于对所述待测核磁共振成像图像中的病灶区域进行正确边界框标记，将标记后的所述待测核磁共振成像图像与所述训练后的图像分割网络输出的缺血性脑卒中病灶区域的mask图进行对比，根据对比结果对所述图像分割网络进行调整。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于缺血性脑卒中MRI检测标记进行病灶分割的方法流程图；

图2为根据本发明一个实施例的基于缺血性脑卒中MRI检测标记进行病灶分割的装置结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

脑卒中是由于脑内血管破裂或阻塞从而导致血液无法流入大脑进而引起脑组织损伤的一类疾病。核磁共振成像(Magnetic Resonance Imaging，MRI)是脑卒中的重要诊断方法。传统方法中使用深度学习技术对医学图像进行分割需要大量分割的标注数据，工作量大，对图像中的目标进行边界框的标注，其工作量要少得多。本申请利用MRI的DWI序列中缺血性脑卒中的图像特征，只使用对图像病灶区域进行边界框标注的数据，通过生成相应mask图作为标注，训练深度神经网络以进行病灶分割。

下面参照附图描述根据本发明实施例提出的基于缺血性脑卒中MRI检测标记进行病灶分割的方法及装置。

首先将参照附图描述根据本发明实施例提出的基于缺血性脑卒中MRI检测标记进行病灶分割的方法。

图1为根据本发明一个实施例的基于缺血性脑卒中MRI检测标记进行病灶分割的方法流程图，

如图1所示，该基于缺血性脑卒中MRI检测标记进行病灶分割的方法包括以下步骤：

步骤S1，获取核磁共振成像图像、训练集样本和待测核磁共振成像图像，通过简单线性迭代聚类方法对核磁共振成像图像进行超像素分割生成多个超像素。

具体地，对于MRI图像，首先使用SLIC(simple linear iterative clustering，简单线性迭代聚类)方法进行超像素分割，以减少后续候选mask生成步骤的复杂度。

步骤S2，对多个超像素进行筛选生成超像素集合，在超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据超像素集合和候选超像素集合生成预设亮度值对应的候选mask图。

进一步地，对多个超像素进行筛选生成超像素集合，包括：

对于一个病灶边界框，在多个超像素中选取所有完全在边界框内和\或部分在边界框内的超像素作为超像素集合。

进一步地，步骤S2，进一步包括：

在超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合；

将候选超像素集合中任意两个超像素间最短路上的超像素加入候选超像素集合；

将被候选超像素集合包围的所有超像素加入候选超像素集合；

将增加超像素后的候选超像素集合作为预设亮度值对应的候选mask图。

具体地，对于一病灶边界框，取所有完全在边界框内或有一部分在边界框内的超像素集合P，对给定预设亮度值L，首先将所有平均亮度值大于L的超像素加入候选mask集合M，为了保证mask区域的连通性，将M中任意两个超像素间最短路上的超像素也加入M；其中超像素p1与超像素p2间的一条路径定义为包含p1，p2且连通的一个超像素集合R，其长度定义为R中所有超像素在反色图中的亮度之和。为了保证mask的无孔洞性，将所有被M包围的超像素也加入M集合。最后得到的M集合中的像素即为亮度L对应的候选mask图M(L)。

步骤S3，改变预设亮度值，执行步骤S2，生成不同亮度值对应的候选mask图。

改变步骤S2中预设亮度值，执行步骤S2的过程，生成不同亮度值对应的候选mask图。

可以理解的是，核磁共振DWI序列中，缺血性脑卒中区域呈现高亮度，且病灶区域基本为连通无孔洞区域。利用这两点性质，可以对标注的病灶区域边界框中，生成不同亮度L对应的候选mask区域M(L)。

步骤S4，通过训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，将不同亮度值对应的候选mask图用边界框包裹，通过候选mask判别网络对边界框包裹的不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图。

进一步地，在本发明的一个实施例中，训练集样本包括正样本和负样本，病灶区域正确边界框为正样本，包含部分病灶区域、完全不包含病灶区域以及包含多余非病灶区域的边界框作为负样本。

具体地，通过训练样本集样本训练深度卷积神经网络后得到候选mask判别网络，对于给定边界框所包含的MRI图像，候选mask判别网络可以判断此边界框刚好完全包含一个病灶区域的概率。

可以理解的是，使用训练集中的病灶区域正确边界框为正样本，同时生成错误边界框作为负样本，使用深度卷积神经网络进行训练。判别网络的作用是判断给定的边界框正好包含一个完整的病灶区域的概率。

对给定MRI图像及边界框，选取不同L值生成候选mask图集合，将候选mask图集合使用边界框包裹，并将边界框所包含的图像使用判别网络进行评分，选取评分最高的mask作为训练集中使用的病灶区域mask图。

需要说明的是，生成的mask会与真实值有少许误差，但通过使用大量数据进行训练，误差的偏向性会大大减小。由于判别网络通过大量正确边界框样本进行了学习，同时mask图允许包含超出边界框的像素，因此对边界框标注的失误具有更强的鲁棒性。

步骤S5，通过评分最高的候选mask图对图像分割网络进行训练直至图像分割网络收敛，将核磁共振成像图像中的DWI序列图像输入训练后的图像分割网络，输出缺血性脑卒中病灶区域的mask图。

通过选取的评分最高的带有病灶区域mask标注的MR图像，对图像分割网络，作为一种方式，使用maskR-CNN作为图像分割网络进行训练，直至网络收敛后停止训练。

可以理解的是，通过候选mask判别网络对候选mask进行评分，取概率最高的mask作为图像分割网络(如maskR-CNN)的训练集label进行训练。

在实际使用中，对给定MRI的DWI序列图像，使用训练好的图像分割网络进行预测，比如maskR-CNN网络，输出缺血性脑卒中病灶区域的mask图。

进一步地，在本发明的一个实施例中，还包括：对待测核磁共振成像图像中的病灶区域进行正确边界框标记，将标记后的待测核磁共振成像图像与训练后的图像分割网络输出的缺血性脑卒中病灶区域的mask图进行对比，根据对比结果对图像分割网络进行调整。

可以理解的是，将正确边界框标记的图像与图像分割网络输出的图像进行对比，根据对比结果调整图像分割网络，使得图像分割网络对病灶区域的分割更精准，提高分割的准确率。

根据本发明实施例提出的基于缺血性脑卒中MRI检测标记进行病灶分割的方法，通过对核磁共振成像图像进行超像素分割生成多个超像素，筛选生成超像素集合，在超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据超像素集合和候选超像素集合生成预设亮度值对应的候选mask图，改变预设亮度值，生成不同亮度值对应的候选mask图；通过训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，通过候选mask判别网络对不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图；通过评分最高的候选mask图对图像分割网络进行训练直至图像分割网络收敛。由此，利用核磁共振DWI序列中缺血性脑卒中区域的图像特点，仅使用对缺血性脑卒中区域进行边界框标记的训练数据集，对病灶区域进行细致分割。

其次参照附图描述根据本发明实施例提出的基于缺血性脑卒中MRI检测标记进行病灶分割的装置。

图2为根据本发明一个实施例的基于缺血性脑卒中MRI检测标记进行病灶分割的装置结构示意图。

如图2所示，该基于缺血性脑卒中MRI检测标记进行病灶分割的装置包括：获取模块100、生成模块200、迭代生成模块300、评分模块400和分割模块500。

获取模块100，用于获取核磁共振成像图像、训练集样本和待测核磁共振成像图像，通过简单线性迭代聚类方法对核磁共振成像图像进行超像素分割生成多个超像素。

生成模块200，用于对多个超像素进行筛选生成超像素集合，在超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据超像素集合和候选超像素集合生成预设亮度值对应的候选mask图。

迭代生成模块300，用于改变预设亮度的值，执行生成模块的功能，生成不同亮度值对应的候选mask图。

评分模块400，用于通过训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，将不同亮度值对应的候选mask图用边界框包裹，通过候选mask判别网络对边界框包裹的不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图。

分割模块500，用于通过评分最高的候选mask图对图像分割网络进行训练直至图像分割网络收敛，将待测核磁共振成像图像中的DWI序列图像输入训练后的图像分割网络，输出缺血性脑卒中病灶区域的mask图。

该装置利用核磁共振图像中缺血性脑卒中区域的特点，使用仅对目标的位置信息(边界框)进行标注的数据集，就可以对核磁共振图像缺血性脑卒中区域进行细致分割。

进一步地，在本发明的一个实施例中，训练集样本包括正样本和负样本，病灶区域正确边界框为正样本，包含部分病灶区域、完全不包含病灶区域以及包含多余非病灶区域的边界框作为负样本。

进一步地，在本发明的一个实施例中，对多个超像素进行筛选生成超像素集合，包括：

对于一个病灶边界框，在多个超像素中选取所有完全在边界框内和\或部分在边界框内的超像素作为超像素集合。

进一步地，在本发明的一个实施例中，生成模块，进一步用于：

在超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合；

将候选超像素集合中任意两个超像素间最短路上的超像素加入候选超像素集合；

将所有被候选超像素集合包围的超像素加入候选超像素集合；

将增加超像素后的候选超像素集合作为预设亮度值对应的候选mask图。

进一步地，在本发明的一个实施例中，还包括：调整模块，

调整模块，用于对待测核磁共振成像图像中的病灶区域进行正确边界框标记，将标记后的待测核磁共振成像图像与训练后的图像分割网络输出的缺血性脑卒中病灶区域的mask图进行对比，根据对比结果对图像分割网络进行调整。

需要说明的是，前述对基于缺血性脑卒中MRI检测标记进行病灶分割的方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

根据本发明实施例提出的基于缺血性脑卒中MRI检测标记进行病灶分割的装置，通过对核磁共振成像图像进行超像素分割生成多个超像素，筛选生成超像素集合，在超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据超像素集合和候选超像素集合生成预设亮度值对应的候选mask图，改变预设亮度值，生成不同亮度值对应的候选mask图；通过训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，通过候选mask判别网络对不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图；通过评分最高的候选mask图对图像分割网络进行训练直至图像分割网络收敛。由此，利用核磁共振DWI序列中缺血性脑卒中区域的图像特点，仅使用对缺血性脑卒中区域进行边界框标记的训练数据集，对病灶区域进行细致分割。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于缺血性脑卒中MRI检测标记进行病灶分割的方法，其特征在于，包括以下步骤：

S1，获取核磁共振成像图像、训练集样本和待测核磁共振成像图像，通过简单线性迭代聚类方法对所述核磁共振成像图像进行超像素分割生成多个超像素；

S2，对所述多个超像素进行筛选生成超像素集合，在所述超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据所述超像素集合和所述候选超像素集合生成所述预设亮度值对应的候选mask图；

S3，改变所述预设亮度值，执行步骤S2，生成不同亮度值对应的候选mask图；

S4，通过所述训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，将不同亮度值对应的候选mask图用边界框包裹，通过所述候选mask判别网络对边界框包裹的不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图；

S5，通过评分最高的候选mask图对图像分割网络进行训练直至所述图像分割网络收敛，将所述待测核磁共振成像图像中的DWI序列图像输入训练后的图像分割网络，输出缺血性脑卒中病灶区域的mask图。

2.根据权利要求1所述的基于缺血性脑卒中MRI检测标记进行病灶分割的方法，其特征在于，

所述训练集样本包括正样本和负样本，病灶区域正确边界框为所述正样本，包含部分病灶区域、完全不包含病灶区域以及包含多余非病灶区域的边界框作为所述负样本。

3.根据权利要求1所述的基于缺血性脑卒中MRI检测标记进行病灶分割的方法，其特征在于，所述对所述多个超像素进行筛选生成超像素集合，包括：

对于一个病灶边界框，在所述多个超像素中选取所有完全在边界框内和\或部分在边界框内的超像素作为所述超像素集合。

4.根据权利要求1所述的基于缺血性脑卒中MRI检测标记进行病灶分割的方法，其特征在于，所述步骤S2，进一步包括：

在所述超像素集合中选取平均亮度值大于预设亮度值的超像素组成所述候选超像素集合；

将所述候选超像素集合中任意两个超像素间最短路上的超像素加入所述候选超像素集合；

将被所述候选超像素集合包围的所有超像素加入所述候选超像素集合；

将增加超像素后的候选超像素集合作为所述预设亮度值对应的候选mask图。

5.根据权利要求1所述的基于缺血性脑卒中MRI检测标记进行病灶分割的方法，其特征在于，还包括：

对所述待测核磁共振成像图像中的病灶区域进行正确边界框标记，将标记后的所述待测核磁共振成像图像与所述训练后的图像分割网络输出的缺血性脑卒中病灶区域的mask图进行对比，根据对比结果对所述图像分割网络进行调整。

6.一种基于缺血性脑卒中MRI检测标记进行病灶分割的装置，其特征在于，包括：

获取模块，用于获取核磁共振成像图像、训练集样本和待测核磁共振成像图像，通过简单线性迭代聚类方法对所述核磁共振成像图像进行超像素分割生成多个超像素；

生成模块，用于对所述多个超像素进行筛选生成超像素集合，在所述超像素集合中选取平均亮度值大于预设亮度值的超像素组成候选超像素集合，根据所述超像素集合和所述候选超像素集合生成所述预设亮度值对应的候选mask图；

迭代生成模块，用于改变所述预设亮度的值，执行所述生成模块的功能，生成不同亮度值对应的候选mask图；

评分模块，用于通过所述训练集样本对深度卷积神经网络进行训练生成候选mask判别网络，将不同亮度值对应的候选mask图用边界框包裹，通过所述候选mask判别网络对边界框包裹的不同亮度值对应的候选mask图进行评分，选取评分最高的候选mask图；

分割模块，用于通过评分最高的候选mask图对图像分割网络进行训练直至所述图像分割网络收敛，将所述待测核磁共振成像图像中的DWI序列图像输入训练后的图像分割网络，输出缺血性脑卒中病灶区域的mask图。

7.根据权利要求6所述的基于缺血性脑卒中MRI检测标记进行病灶分割的装置，其特征在于，

所述训练集样本包括正样本和负样本，病灶区域正确边界框为所述正样本，包含部分病灶区域、完全不包含病灶区域以及包含多余非病灶区域的边界框作为所述负样本。

8.根据权利要求6所述的基于缺血性脑卒中MRI检测标记进行病灶分割的装置，其特征在于，所述对所述多个超像素进行筛选生成超像素集合，包括：

对于一个病灶边界框，在所述多个超像素中选取所有完全在边界框内或部分在边界框内的超像素作为所述超像素集合。

9.根据权利要求6所述的基于缺血性脑卒中MRI检测标记进行病灶分割的装置，其特征在于，所述生成模块，进一步用于：

在所述超像素集合中选取平均亮度值大于预设亮度值的超像素组成所述候选超像素集合；

将所述候选超像素集合中任意两个超像素间最短路上的超像素加入所述候选超像素集合；

将所有被所述候选超像素集合包围的超像素加入所述候选超像素集合；

将增加超像素后的候选超像素集合作为所述预设亮度值对应的候选mask图。

10.根据权利要求6所述的基于缺血性脑卒中MRI检测标记进行病灶分割的方法，其特征在于，还包括：调整模块，

所述调整模块，用于对所述待测核磁共振成像图像中的病灶区域进行正确边界框标记，将标记后的所述待测核磁共振成像图像与所述训练后的图像分割网络输出的缺血性脑卒中病灶区域的mask图进行对比，根据对比结果对所述图像分割网络进行调整。

Images